文字双向翻译跑通之后，下一块最容易让人误判的，就是语音。对方发来一段外语语音，自己也想用嘴回，听起来比打字更快。真正决定语音能不能用的，不是麦克风有没有亮，而是中间那一层转写对不对。转写错了，后面翻译再顺，对方听到的也是错的。
这篇文章只讲语音翻译。文字开关、群发、多开、快捷回复、语言预设、故障总排查都不展开。语音会用到语言方向和预览，但只作为发送前必须看的两眼来写。
先把语音拆成两段，不要把它当成“按住说话就会自动变正确外语”。第一段是语音变成文字，也就是识别。第二段是文字变成另一种语言，也就是翻译。两段谁错了，结果都表现为“语音翻译不准”。修的时候必须先看转写出的那一行字，再看译文。跳过转写直接听译文，会把识别错误当成翻译错误，越改越远。
先分清三种语音场景，不要用同一套操作硬套
语音在聊天里至少有三种用法，准备和风险都不一样。
- 对方发来语音，你要看懂。系统先把语音转成原文文字，再译成你的显示语言。这一场景最常见，也最依赖对方的音质、语速和是否夹杂专有名词。你能控制的是显示方式：转写原文和译文对照着看，而不是只听合成音。
- 你说中文，对方收外语语音或外语文字。系统先把你的话转成中文文字，再译成对方语言，再决定以文字还是合成语音发出。这一场景最容易在你自己这边就说滑。口误、口头禅、没说完的半句，都会被诚实地识别进去。
- 双方来回对着说，接近实时对话。听起来最像面对面，实际上是两段识别加两段翻译在排队。环境一吵、语速一快、两人抢着说，转写就会叠。这种模式只适合短句确认，不适合一次把规格、价格、交期全部口述完。
三种场景里，先把第一种用稳，再开第二种。第三种最后用，而且要约定“一次只有一个人说完”。没有约定的实时对说，失败率会明显高于文字聊天。
还要先确认当前对话的文字翻译已经稳定。文字都没有译文，语音不会凭空更好。语音是文字链路上面多出来的识别层，不是另一套可以单独救命的引擎。
收听对方语音时，按“先看字、再听音”操作
对方发来语音后，不要第一时间点播放合成译文。播放会让你觉得自己听懂了，却说不出刚才那个型号到底是哪几个字母。
- 点开这条语音，先看转写出的原文。原文里有没有明显的错词、吞音、把型号听成普通单词。原文已经不像产品沟通，后面的中文译文再通顺也不能当依据。这时回一句文字，请对方改打字，或请他把关键数字单独再发一次。
- 原文大体能看懂之后，再看中文译文。对照着核对三样：数字、否定、名称。语音里的“不能做”被听成“能做”，比文字里同类错误更难发现，因为听的人会顺着语气补全。对照能把这种补全挡住。
- 合成播放只用来感受语气和确认你没有漏听整句，不用来定案。价格、交期、账户、地址，一律以转写文字为准。听感上很有把握，也要把数字回述一遍给对方确认。语音沟通最容易在“我听着是这个意思”上栽跟头。
- 一条语音里堆了好几件事，不要试图一次理解完。先回文字确认你听到的第一件事，例如数量，再问第二件。语音越长，后半段识别越容易漂。让对方把长语音改成两条短的，比你反复重放更省时间。
- 同一人连续几条语音识别都差，就不要继续用语音跟这个人谈细节。口音、环境、设备底噪不是你这边能调好的。把这个人标记为“细节改文字”，语音只用来听态度和紧急程度。这不是放弃翻译，是避免在已经证明不稳定的通道上做承诺。
收听侧最有用的习惯，是把“我听到了”改成“我看到转写了”。看到才算收到。
自己发语音时，按“先说清楚、再看转写、最后才发送”操作
自己说话比听对方更危险，因为错从你嘴里就开始了。很多错译其实是口误被忠实记录。
- 说之前先在心里把要说的话收成短句。一句只说一件事。不要在一口气里问候、报型号、报数量、再补一句“不过那个颜色暂时没有”。识别会把口头的“不过”“那个”一起写进去，翻译再一转，对方可能抓住错误的重点。
- 按住说话时保持正常速度，不要刻意放慢到一个字一顿，也不要抢着说完。过慢会把词切开，过快会吞掉否定词。专有名词按你平时报给同事听的方式说完整，不要用只有自己懂的简称，除非这个简称已经进了固定写法。
- 松手后先看转写出的中文，不要直接点发送。转写里出现了你没想说的字，就作废重说，或改成文字发出。这一步省掉的是一次对外解释。转写都不是你想说的话，合成出去的外语不可能更接近原意。
- 转写正确后，再看对方语言的译文预览。数字和名称仍要核对。有的词口说时很清楚，译成对方语言却变成另一个规格。预览不对，改回文字发，不要指望再读一遍就会变对。语音通道适合态度和短确认，不适合临时改规格。
- 选择发出文字还是发出语音。对方正在走路、不方便看屏幕，发合成语音有用。对方在对规格，发文字更安全。不要默认所有回复都发语音。语音占对方时间，也占你自己的核对时间。能用一句文字结束的，不要用一段语音开始。
自己发语音时，把发送按钮当成第三步，不是第一步。第一步是说完，第二步是看转写和预览。
环境、设备和说话方式会直接决定识别上限
同一套翻译规则，在安静办公室和车间里的表现可以完全不同。语音问题有一半不在软件里。
- 环境噪声。风扇、车声、多人同时说话，识别会把背景里的词拼进句子。能关窗、能换地方，就不要在噪声里谈数字。不能换地方，就改文字。和引擎较劲，不如和噪声分开。
- 麦克风距离和挡麦。太远会虚，太近会爆音，手指挡住孔会把整段听成含混音节。用耳机麦克风通常比免提稳。测试时用同一句测试话，换设备前后对比转写，不要凭“我觉得这个耳机更好”决定。
- 语种和口音。固定语言对比自动识别更稳。这个人一直说越南语，就锁越南语识别，不要让系统在越南语、中文、英语之间猜。猜错一次，整段转写会从开头就偏。
- 口头禅和填充词。中文里的“那个”“然后”“你知道吧”会被写进转写，再被译成对方语言里莫名其妙的插入语。说业务时把这些词压掉。压不掉，就看转写时删掉再发文字。不要让填充词变成对方理解里的条件句。
- 网络和排队。识别和翻译都要耗时间。信号差时，先出现转写、后出现译文是正常的。不要在译文还没出来时连续补发第二段语音，两段会抢同一条会话的上下文。等第一条的转写和译文都出来，再决定要不要说下一段。
设备和环境改得了的先改。改不了的，给这条对话规定“语音只寒暄，细节打字”。规定比继续对着噪声说话更专业。
语音里的数字、型号、否定，必须单独保护
文字里已经容易错的三类，在语音里会更错。因为听的人会用常识去补全，补全经常补错。
- 数字要拆开说，单位要说全。与其说一串连在一起的数字，不如说成数量多少、单价多少、币种是什么。日期把月和日说清楚，避免被听成另一个习惯中的写法。说完在转写里核对每一位，不要只看译文里的阿拉伯数字是不是“看起来差不多”。
- 型号按字母和数字分开报。连续读型号，识别最容易把字母听成另一个字母。转写里型号不对，整句译文都不要发。回文字把型号单独打出来给对方看，比再读一遍更干净。
- 否定词单独成句，并且放在前面。先说“这个规格现在做不了”，再说原因。把否定放在很长的解释后面，识别一旦丢掉最后一个词，整句会变成可以做。翻译不会知道你“语气上是在拒绝”。
- 确认采用回述，不采用“对对对”。你听到一个数字，用文字把数字写回去让对方看。只回一个语音“对”，双方都以为对齐了，记录里却没有可核对的数字。语音沟通不是不能用确认，确认必须留下能看见的字。
- 涉及付款、账户、地址，默认改文字。这类信息听错一位就是另一笔钱、另一个地方。语音可以用来通知“我等一下发账户”，账户本身用文字或文件发。不要用合成语音读账号。
保护这三类信息，不是不信任语音翻译，是承认识别层有上限。上限之内，语音很快；上限之外，文字才是正经通道。
语音翻译常见问题，按先看转写再处理
完全没有转写。先看麦克风权限、这条会话的语音翻译是否打开、网络是否中断。权限和开关正常仍没有字，用文字测同一窗口。文字也不翻，回到文字链路，不在语音里继续试。
有转写但全是乱字。多半是语种锁错或噪声太大。先改成固定语种，换安静环境重说同一句。仍乱，就停用语音，不要反复训练自己“再说清楚一点”。有的设备和口音组合达不到可用线。
转写对、译文不对。这才是翻译规则问题。查术语、语气、语言对，按文字不准的修法处理。不要关麦克风，也不要换一种说话方式指望译文自己变好。
自己发出去的语音对方说听不懂。先问对方听到的是语音还是文字。若是合成语音，改发译文文字。合成音在部分语种里不自然，对方更愿意看字。不要继续加大音量重录。
群里的语音更难用。多人噪声、对象不清、一条语音里喊了好几个人的名字，转写很难成为共同依据。群语音只用来听个大概，需要执行的内容改文字发到群里或私聊。对群发合成语音，错了更难收回。
同一段语音每次转写都不一样。说明已经落在识别不稳定区。不要用多次识别取“最像的一次”当答案。改文字确认。多次识别里挑一句，等于在几份可能里赌。
一套可以把语音用起来、又不把业务赌上去的顺序
确认当前对话的文字收发已经稳定，再打开语音翻译。文字不稳，语音一律不用。
收对方语音时，先看转写原文，再看中文译文，最后才听合成。数字和名称用文字回述确认。
自己说时，一句一事，说完先看中文转写，再看对方语言预览，不对就改文字发。
给环境差、口音重、细节多的对话规定：语音只寒暄和催进度，规格价格交期改打字。
日期、型号、否定、账户四类内容单独保护。能看见的字，才算对齐。
出现乱转写、无转写、群语音对不上时，停在文字，不连录三条碰运气。
语音翻译的价值，是把“听不懂的一段音”变成“可以看见的一句字”，让沟通在走路、临时回复、短确认时不断掉。它不能把车间噪声变成会议室，也不能把一句没说清的口误变成准确合同条款。先看好转写，再决定发不发、用语音还是用文字，语音才会加快那些本该快的回合，而不是把本该慢下来核对的数字，用更快的速度送错。